Visualizaciones Univariables

Gráficos de Barras

Los gráficos de barras, también llamados gráficos de columnas o barplot, nos sirven para mostrar magnitudes de variables numéricas a lo largo de diferentes grupos o categorías en el eje horizontal X, y en el eje vertical Y tendremos los valores numéricos, Luego se alza una barra de cada punto del eje X hasta el valor numérico eje Y que le corresponde a esa categoría en esa variable.

Este tipo de gráfico se usa principalmente para comparar variables numéricas de diferentes grupos en los datos y cuando se quiere enfatizar cambios de magnitudes que hay entre estas variables a lo largo de diferentes grupos, los gráficos de barras múltiples y gráficos de barra apiladas son las variantes de este.

No se debería utilizar estos gráficos en los siguientes casos:

• Cuando se quiera comparar valores de muchas categorías.
• Si se quieren comparar proporciones porcentuales de dos o más variables.
• Para obtener información de la distribución de las variables

A continuación utilizaremos el data set de Titanic para visualizar algunos ejemplos del gráfico de barra, este se realizará con tres diferentes librerías pandas, seaborn y matplotlib.

import pandas as pd # cargamos librerias
import seaborn as sns
import matplotlib.pyplot as plt
import plotly.express as px

# cambio de dimensiones de canvas de manera global

plt.rcParams['figure.figsize'] = (8,5)

df = pd.read_csv('./datasets/titanic.csv') # en este caso utilizaremos el data set titanic
df

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S
...	...	...	...	...	...	...	...	...	...	...	...	...
886	887	0	2	Montvila, Rev. Juozas	male	27.0	0	0	211536	13.0000	NaN	S
887	888	1	1	Graham, Miss. Margaret Edith	female	19.0	0	0	112053	30.0000	B42	S
888	889	0	3	Johnston, Miss. Catherine Helen "Carrie"	female	NaN	1	2	W./C. 6607	23.4500	NaN	S
889	890	1	1	Behr, Mr. Karl Howell	male	26.0	0	0	111369	30.0000	C148	C
890	891	0	3	Dooley, Mr. Patrick	male	32.0	0	0	370376	7.7500	NaN	Q

891 rows × 12 columns

¿Cuantos pasajeros hombres y cuantas pasajeras mujeres habian en el Titanic.?

pasajeros_sexo = df.groupby('Sex').agg({
    'PassengerId':'count'
})

pasajeros_sexo

	PassengerId
Sex
female	314
male	577

# Graficamos con Pandas

pasajeros_sexo.plot.bar(
    y='PassengerId',
    title='Cantidad de pasajeros por Sexo',
    width= 0.3,
    #figsize=(10,5)
)

# Añadimos tema

plt.style.use(
    'ggplot'
)

pasajeros_sexo2 = pasajeros_sexo.reset_index() # pasamos sex a columna
pasajeros_sexo2

	Sex	PassengerId
0	female	314
1	male	577

# graficamos con la libreria seaborn

sns.barplot(
    data=pasajeros_sexo2, 
    x='Sex', 
    y='PassengerId', 
).set(title='Cantidad de Pasajeros por Sexo')

plt.style.use(
    'ggplot'
)

# graficamos con la libreria matplotlib

plt.bar(
    pasajeros_sexo2['Sex'],
    pasajeros_sexo2['PassengerId']   
)

plt.style.use(
    'ggplot'
)

Gráfico de Pie

Un gráfico de pie es una representación visual simple y circular que muestra la proporción de diferentes categorías o partes de un todo. Se compone de secciones de diferentes tamaños, donde cada sección representa un porcentaje o fracción de la cantidad total. Este tipo de gráfico se utiliza para comunicar de manera rápida y clara la distribución relativa de las partes dentro de un conjunto de datos.

Características de un diagrama circular:

• Estos gráficos sólo representan y comparan una variable.
• A cada cualidad de la variable le pertenece una porción del gráfico.
• Las cifras que se anotan sobre cada trozo se expresan en porcentajes, por eso son útiles cuando la información que tienes es en su mayoría numérica y son pocos datos.
• Se usa para expresar proporcionalmente los distintos valores de la frecuencia de las variables.

En este caso a realizar la visualización del gráfico de pie con la librería pandas y plotly.

df.head(5)

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S

pasajeros_sexo

	PassengerId
Sex
female	314
male	577

# Graficamos con pandas

pasajeros_sexo.plot.pie(
    y='PassengerId',
    startangle=90,
    autopct='%1.1f%%'
)

plt.style.use(
    'ggplot'
)

# Graficamos con plotly

fig = px.pie(
    pasajeros_sexo2, # lo hacemos con sex como columna mas no como indice
    names='Sex',
    values='PassengerId',
    title='Proporción de pasajeros por sexo',
    width=600, 
    height=400,
    template='plotly'
)
fig.show()

# EJEMPLO # 2

pasajeros_pclass = df.groupby('Pclass').agg({
    'PassengerId':'count'
})

pasajeros_pclass

	PassengerId
Pclass
1	216
2	184
3	491

# Graficamos con plotly
pasajeros_pclass2 = pasajeros_pclass.reset_index() # pasamos sex a columna
pasajeros_pclass2

	Pclass	PassengerId
0	1	216
1	2	184
2	3	491

fig = px.pie(
    pasajeros_pclass2, # lo hacemos con sex como columna mas no como indice
    names='Pclass',
    values='PassengerId',
    title='Proporción de pasajeros por clase',
    hole=0.5,
    width=600, 
    height=400
)

fig.show()

Gráficos de Cajas

También conocido como diagrama de caja y bigotes, principalmente nos sirve para visualizar estadísticos de nuestras variables numéricas, es decir, es una representación visual que muestra de manera resumida la distribución de un conjunto de datos numéricos. Consiste en un rectángulo que se divide en cuatro partes principales: la mediana, el primer cuartil, el tercer cuartil y los bigotes. La mediana se representa como una línea en el centro del rectángulo, mientras que el primer y tercer cuartil se marcan como límites inferiores y superiores del rectángulo. Los bigotes se extienden desde los cuartiles hasta los valores mínimo y máximo observados, excluyendo los valores atípicos. Los gráficos de cajas son útiles para visualizar la dispersión, la simetría y la presencia de valores atípicos en un conjunto de datos.

• Se utiliza cuando se quiere comparar diversos grupos por medio de sus estadísticos como lo son la mediana y cuartiles.

• También es muy utilizado para visualizar si hay datos outliers dentro de nuestras variables o categorías.

• No se debe utilizar para conocer la distribución de los datos.

Esta visualizacion la realizaremos con la librerias pandas, seaborn y plotly.

¿ Informacion de la edad de los hombres y mujeres del titanic.? (target)

df_age = df.dropna(subset = ['Age'], axis = 'index') # eliminamos valores nulos de la columna Age
df_age

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S
...	...	...	...	...	...	...	...	...	...	...	...	...
885	886	0	3	Rice, Mrs. William (Margaret Norton)	female	39.0	0	5	382652	29.1250	NaN	Q
886	887	0	2	Montvila, Rev. Juozas	male	27.0	0	0	211536	13.0000	NaN	S
887	888	1	1	Graham, Miss. Margaret Edith	female	19.0	0	0	112053	30.0000	B42	S
889	890	1	1	Behr, Mr. Karl Howell	male	26.0	0	0	111369	30.0000	C148	C
890	891	0	3	Dooley, Mr. Patrick	male	32.0	0	0	370376	7.7500	NaN	Q

714 rows × 12 columns

# Graficamos con pandas

df_age.boxplot(
    column = 'Age',
    by = 'Sex'
)

plt.style.use(
    'classic'
)

# Graficamos con seaborn

sns.boxplot(
    data=df_age,
    x='Sex',
    y='Age'
)
sns.set_theme(
    'talk'
)
#sns.set_style('darkgrid')

# Graficamos con plotly

fig = px.box(
    df_age,
    x='Sex',
    y='Age',
    width=700, 
    height=500
)

fig.show()

Gráficos de Violines

Un gráfico de violines nos permite ver como están distribuidos los datos, manteniendo todas las bondades del diagrama de cajas, podríamos decir que es una representación visual el cual muestra la distribución y densidad de una variable cuantitativa en diferentes categorías o grupos. Combina un diagrama de caja y bigotes con curvas de densidad a cada lado.

# Graficamos con seaborn nota: este diagrama lo podemos no lo podemos graficar con pandas

sns.violinplot(
    data = df_age,
    x = 'Sex',
    y = 'Age'  
).set(title='Numero de Pasajeros por Sexo')

[Text(0.5, 1.0, 'Numero de Pasajeros por Sexo')]

# Graficamos cpn plotly

fig = px.violin(
    df_age,
    x='Sex',
    y='Age',
    width=800, 
    height=500
)

fig.show()

Histograma

Muestra la distribución de una variable numérica como un conjunto de barras. Los datos numéricos se agrupan en "bins" (clases o grupos) según un rango de valores. Cada "bin" va a tener una barra. La altura de la barra representa cuantos puntos de datos existen dentro del rango del "bin". Usualmente, es el primer gráfico a realizar de todas las columnas numéricas de mi dataset, ya que me dice como se distribuyen mis datos.

Un histograma es una representación gráfica simple y visual de la distribución de datos en un conjunto. Consiste en una serie de barras adyacentes que muestran la frecuencia o la cantidad de veces que ocurre cada valor en el conjunto de datos. En el eje vertical se representa la frecuencia, mientras que en el eje horizontal se muestran los valores o rangos de valores del conjunto.

El histograma sirve para proporcionar una visión general de la distribución de los datos y para identificar patrones, tendencias y anomalías. Permite visualizar si los datos se agrupan en torno a ciertos valores, si siguen una distribución normal o si presentan valores atípicos. También puede ayudar a tomar decisiones informadas al analizar datos y comparar diferentes conjuntos de datos.

¿Distribución de edad de hombres y de mujeres?

# Graficamos con pandas

df.hist(
   'Age',
    by='Sex',
    bins=10
)

array([<AxesSubplot:title={'center':'female'}>,
       <AxesSubplot:title={'center':'male'}>], dtype=object)

# Graficamos con seaborn

sns.histplot(
    data = df_age,
    x='Age'
)

<AxesSubplot:xlabel='Age', ylabel='Count'>

# Graficamos con plotly

fig = px.histogram(
    df_age,
    x='Age',
    text_auto = True,
    width=800, 
    height=500
)

fig.show()

Gráfico de Densidad (kde Kernel Density Estimator)

Es una representación gráfica suave y continua de la distribución de una variable continua, que se construye utilizando funciones de kernel centradas en cada punto de datos para estimar la densidad en todo el rango de la variable,Los picos en la curva indican regiones con alta densidad de datos, mientras que los valles representan regiones con baja densidad este se utiliza debido a que en el histograma a veces es complicado visualizar la forma de mi distribución y como se sitribuyen los datos.

# Graficamos son seaborn
sns.histplot(
    data = df_age,
    x='Age',
    kde=True,
    stat='probability',
    hue='Sex'
)

<AxesSubplot:xlabel='Age', ylabel='Probability'>

Gráfico de Linea

La utilidad de los gráficos de línea radica en su capacidad para mostrar tendencias y patrones a lo largo del tiempo o de una secuencia. Estos gráficos permiten identificar cambios y variaciones en los datos, así como la dirección y la magnitud de dichos cambios. Al conectar los puntos con líneas, se facilita la visualización de la trayectoria general de los datos, lo que ayuda a entender la evolución de una variable a lo largo del eje temporal o la secuencia establecida.

Además de mostrar tendencias, los gráficos de línea también permiten comparar varias series de datos en el mismo gráfico. Al representar múltiples líneas en un solo gráfico(Gráficos Multilineas), es posible visualizar la relación y la interacción entre diferentes variables, lo que ayuda a identificar correlaciones y patrones más complejos.

Tiene un objetivo similar al gráfico de barras. Nos sirve para mostrar diferencias de variables numéricas a través de mi variable en el Eje X. Sin embargo, es más útil cuando queremos mostrar tendencias de subida o de bajada de mi variable numérica. A diferencia del grafico de barras, el Eje X de izquierda a derecha suele representar una unidad de progresión ordenada de menor a mayor (ejemplo: días, años, meses, horas; es decir, usualmente unidades de tiempo). Es decir, Variables categóricas ordinales. A diferencia del gráfico de barras, yo puedo tener muchas categorías o puntos en el Eje X ya que no necesito dibujar barras en cada punto. El gráfico puede tener varias líneas que representan diferentes grupos. En este caso se denomina gráfico multilinea. Y obviamente, cada línea tiene que estar correctamente diferenciada.

Para este tipo de grafico lo ejemplificaremos con un dataset de ventas de varios supermercados de una misma cadena.

https://raw.githubusercontent.com/lkuffo/data-viz/main/data/tienda_ventas.csv

¿Analizar como ha cambiado la ventas de los productos por mes y año?

df_ventas = pd.read_csv('./datasets/tienda_ventas.csv', index_col='id') # en este caso utilizaremos el data set de evntas tienda
df_ventas

	date	store_nbr	family	sales	onpromotion
id
0	2013-01-01	1	AUTOMOTIVE	0.00000	0
1	2013-01-01	1	BABY CARE	0.00000	0
2	2013-01-01	1	BEAUTY	0.00000	0
3	2013-01-01	1	BEVERAGES	0.00000	0
4	2013-01-01	1	BOOKS	0.00000	0
...	...	...	...	...	...
2161561	2016-04-30	9	POULTRY	826.35300	0
2161562	2016-04-30	9	PREPARED FOODS	165.65399	0
2161563	2016-04-30	9	PRODUCE	2012.72700	1
2161564	2016-04-30	9	SCHOOL AND OFFICE SUPPLIES	10.00000	0
2161565	2016-04-30	9	SEAFOOD	32.18600	3

2161566 rows × 5 columns

calculamos todas la ventas de las diferentes tiendas en un mes

df_ventas['mes'] = df_ventas['date'].apply(lambda x: x[:7])
df_ventas

	date	store_nbr	family	sales	onpromotion	mes
id
0	2013-01-01	1	AUTOMOTIVE	0.00000	0	2013-01
1	2013-01-01	1	BABY CARE	0.00000	0	2013-01
2	2013-01-01	1	BEAUTY	0.00000	0	2013-01
3	2013-01-01	1	BEVERAGES	0.00000	0	2013-01
4	2013-01-01	1	BOOKS	0.00000	0	2013-01
...	...	...	...	...	...	...
2161561	2016-04-30	9	POULTRY	826.35300	0	2016-04
2161562	2016-04-30	9	PREPARED FOODS	165.65399	0	2016-04
2161563	2016-04-30	9	PRODUCE	2012.72700	1	2016-04
2161564	2016-04-30	9	SCHOOL AND OFFICE SUPPLIES	10.00000	0	2016-04
2161565	2016-04-30	9	SEAFOOD	32.18600	3	2016-04

2161566 rows × 6 columns

ventas_mes = df_ventas.groupby('mes').agg({
    'sales':'sum'
})
ventas_mes.head(10)

	sales
mes
2013-01	1.032762e+07
2013-02	9.658960e+06
2013-03	1.142850e+07
2013-04	1.099346e+07
2013-05	1.159770e+07
2013-06	1.168934e+07
2013-07	1.125740e+07
2013-08	1.173779e+07
2013-09	1.179293e+07
2013-10	1.177562e+07

# Graficamos con pandas

ventas_mes.plot.line(
    y='sales',
    style='.-'
)

<AxesSubplot:xlabel='mes'>

# Graficamos con plotly

fig = px.line(
    ventas_mes,
    x=ventas_mes.index.values,
    y='sales',
    width=700, 
    height=500
)
fig.show()

¿Comparar para el año 2015 las ventas de 3 familias de productos diferentes(Meats,Seafood y Dairy)?

df_ventas['year'] = df_ventas['date'].apply(lambda x: x[:4])
df_ventas

	date	store_nbr	family	sales	onpromotion	mes	year
id
0	2013-01-01	1	AUTOMOTIVE	0.00000	0	2013-01	2013
1	2013-01-01	1	BABY CARE	0.00000	0	2013-01	2013
2	2013-01-01	1	BEAUTY	0.00000	0	2013-01	2013
3	2013-01-01	1	BEVERAGES	0.00000	0	2013-01	2013
4	2013-01-01	1	BOOKS	0.00000	0	2013-01	2013
...	...	...	...	...	...	...	...
2161561	2016-04-30	9	POULTRY	826.35300	0	2016-04	2016
2161562	2016-04-30	9	PREPARED FOODS	165.65399	0	2016-04	2016
2161563	2016-04-30	9	PRODUCE	2012.72700	1	2016-04	2016
2161564	2016-04-30	9	SCHOOL AND OFFICE SUPPLIES	10.00000	0	2016-04	2016
2161565	2016-04-30	9	SEAFOOD	32.18600	3	2016-04	2016

2161566 rows × 7 columns

df_2015 = df_ventas[
    (df_ventas['year'] == '2015') & 
    (df_ventas['family'].isin(['SEAFOOD','MEATS','DAIRY']))
]
df_2015

	date	store_nbr	family	sales	onpromotion	mes	year
id
1297304	2015-01-01	1	DAIRY	0.000	0	2015-01	2015
1297320	2015-01-01	1	MEATS	0.000	0	2015-01	2015
1297328	2015-01-01	1	SEAFOOD	0.000	0	2015-01	2015
1297337	2015-01-01	10	DAIRY	0.000	0	2015-01	2015
1297353	2015-01-01	10	MEATS	0.000	0	2015-01	2015
...	...	...	...	...	...	...	...
1945902	2015-12-31	8	MEATS	382.466	0	2015-12	2015
1945910	2015-12-31	8	SEAFOOD	21.428	0	2015-12	2015
1945919	2015-12-31	9	DAIRY	878.000	1	2015-12	2015
1945935	2015-12-31	9	MEATS	377.211	21	2015-12	2015
1945943	2015-12-31	9	SEAFOOD	20.340	0	2015-12	2015

58968 rows × 7 columns

agrupacion = df_2015.groupby(['mes','family']).agg({
    'sales':'sum'
})
agrupacion.head(12)

		sales
mes	family
2015-01	DAIRY	1.134521e+06
	MEATS	5.431177e+05
	SEAFOOD	4.046584e+04
2015-02	DAIRY	1.020747e+06
	MEATS	4.987351e+05
	SEAFOOD	3.606656e+04
2015-03	DAIRY	1.234851e+06
	MEATS	5.465172e+05
	SEAFOOD	4.380847e+04
2015-04	DAIRY	1.181180e+06
	MEATS	5.223043e+05
	SEAFOOD	3.998347e+04

pivot = agrupacion.reset_index(1).pivot(columns='family').droplevel(0,axis='columns')
pivot

family	DAIRY	MEATS	SEAFOOD
mes
2015-01	1134521.0	543117.728891	40465.835012
2015-02	1020747.0	498735.076839	36066.561003
2015-03	1234851.0	546517.159221	43808.473074
2015-04	1181180.0	522304.280744	39983.471003
2015-05	1293308.0	591691.899734	42506.832015
2015-06	1243588.0	565014.130035	38780.552004
2015-07	1244815.0	594903.677368	38535.588006
2015-08	1263428.0	581214.143026	37767.580998
2015-09	1224619.0	562711.633157	41906.374010
2015-10	1314827.0	580788.361242	41423.962963
2015-11	1283672.0	535908.927954	38823.761011
2015-12	1394582.0	567381.391078	33728.276973

# Graficamos con pandas

pivot.plot.line(
    subplots=True
)

array([<AxesSubplot:xlabel='mes'>, <AxesSubplot:xlabel='mes'>,
       <AxesSubplot:xlabel='mes'>], dtype=object)

# Graficamos con plotly

fig = px.line(
    pivot,
    width=900, 
    height=500
)
fig.show()

Gráfico de Area

Es una representación visual que muestra cómo se distribuyen y cambian las diferentes categorías de datos a lo largo del tiempo o de una variable independiente, utilizando áreas apiladas para ilustrar la contribución relativa de cada categoría,tiene un objetivo similar al gráfico de barras. Nos sirve para mostrar diferencias de variables numéricas a través de mi variable en el Eje X. Sin embargo, es más útil cuando queremos mostrar tendencias de subida o de bajada de mi variable numérica. A diferencia del grafico de barras, el Eje X de izquierda a derecha suele representar una unidad de progresión ordenada de menor a mayor (ejemplo: días, años, meses, horas; es decir, usualmente unidades de tiempo). Es decir, Variables categóricas ordinales. A diferencia del gráfico de barras, yo puedo tener muchas categorías o puntos en el Eje X ya que no necesito dibujar barras en cada punto. El gráfico puede tener varias líneas que representan diferentes grupos.

Este tipo de gráfico es comúnmente utilizado en diversas áreas, como la visualización de datos financieros, la representación de cambios en la composición demográfica, la comparación de ventas por categoría de productos, entre otros. Ayuda a identificar rápidamente las tendencias y patrones en la distribución de los datos y a comparar la importancia relativa de las diferentes categorías en un contexto determinado.

# Graficamos con pandas

ventas_mes.plot.area(
    y='sales'
)

<AxesSubplot:xlabel='mes'>

# grafico de areas apiladas
pivot.plot.area(
    stacked=True
)

<AxesSubplot:xlabel='mes'>

# grafico de areas agrupadas
pivot.plot.area(
    stacked=False
)

<AxesSubplot:xlabel='mes'>